AI 应用如何赢得溢价

更低的推理成本可以提升应用公司的利润率，但更强大的模型和更易用的开发工具也会让应用的某些部分更容易被替代。商业问题在于，随着替代方案不断改进，客户还会继续为什么付费。

这种风险因产品而异。当客户能用通用模型、几乎不费持续精力就能复现应用的核心产出时，这个应用就处于脆弱状态。这正是当下AI应用公司面临的核心问题。定价始终重要，但眼下它格外重要，却有时被忽视或推迟，因为高速增长的AI公司不愿去碰它。

所有AI应用公司都需要花时间严格打磨并为这些显而易见却必不可少的能力定价：领域专业知识、深度集成、可靠执行，以及难以获取的上下文。这些都是能显著提升购买吸引力的定价杠杆。创始人需要弄清客户真正看重哪些优势，然后强化这些优势并为其定价。

由此形成的自建还是购买测试如下：

Repsol的法务团队对自建还是购买的问题做了一次直接测试。在一次盲评中，它将Harvey与Microsoft Copilot以及自家内部AI原型Lexia进行了比较。Harvey产出的质量最高，随后在一项为期八周、覆盖12个司法辖区50名律师的试点中，在准确性和节省时间方面也优于其他方案。Repsol随后全面推广。Harvey报告称，律师现在每周节省四到六小时，法务部门的采用率达到96%。这些收益还延伸到未来工作：团队用Harvey识别过往协议中反复出现的异议，并用备选条款改进合同模板。这个案例说明，一个应用可以通过比可信替代方案更好的执行、可量化的节省，以及将积累的知识转化为可复用指引的能力，来赢得其溢价。1

从这个及其他案例中，我们总结出持续成功的三条规则：

把工作流运营得比客户自己更好
让租用上下文的成本低于重建
证明价值，再定价以捕获价值

1. 把工作流运营得比客户自己更好。

客户不需要重建你的整个应用，就能削弱你的定价权。把一个高频任务收回内部，或建立一个可信的替代方案，就足以挑战溢价。

一家全球专业服务公司的一位采购者告诉我们，如果直接向前沿模型提问所产生的工作成果优于供应商的效率工具，公司就没什么理由支付平台溢价。对于敏感项目，该公司搭建了一个内部AI平台，在客户不允许使用第三方产品时，可在本地或本地部署环境运行模型。它还在试验开源代码和商业应用的替代方案。

要捍卫溢价，供应商必须在整个工作流上胜过客户的替代方案。在合同审查中，这意味着应用公司的法律标准、保持文档内编辑的一致性，并在谈判演进过程中保留上下文。这些要求有助于解释为什么即便客户能获得强大的模型，专用应用仍可保持价值。

Harvey 的 Playbook 评测展示了这所需的执行能力。一个主智能体将评审工作分配给多个专业智能体，协调相互冲突的修改，并检查完成的文档。Harvey 依据法律评分标准评估表现，并根据每项任务的质量、速度和成本来选择模型。该系统还会保留评审上下文，使后续请求能够建立在先前工作的基础上。Harvey 描述了进一步的机会：从律师接受、修改或拒绝的修订中学习，使未来的评审需要更少的指导。

每个完成的工作流还能强化评估、验证上下文，并加深针对特定客户的知识。当这种学习改善下一次结果时，应用的优势会随着使用而不断累积。创始人应衡量累积学习所带来的质量、可靠性和交付成本方面的收益。

这对创始人意味着什么：将你最易受影响的流程与客户最可信的替代方案进行基准对比。将实施、人工审核、失败和维护都纳入考量。找出每次使用都会变得更好的部分。

2. 让上下文租用比重建更便宜。

上下文可以通过独家访问、有用的准备工作或两者兼有来支撑溢价。客户无法从其他地方获得的私有观察本身就有价值。对于客户可以获取的信息，优势取决于使其准确、最新且可用的成本。

我们交谈过的一家垂直软件公司积累了约 3,000 家公司的多年专有定价基准，并正在探索通过模型上下文协议（MCP）服务器提供访问，这将让 AI 系统直接查询这些数据。其经济逻辑很直接：供应商可以一次性收集、整理、验证和维护信息，然后将这一成本分摊到众多客户身上。每个客户都能以低于独自重建和维护同等资源的成本，租用可靠、最新的上下文。供应商通过消除重复工作赚取利润；客户则以更低的总成本获得更好的答案。

同样的逻辑也适用于客户拥有的信息。政策、CRM 记录、合同和工作流历史可能已经属于买方，但要让它们可靠可用，需要权限、规范化、检索和持续验证。应用可以通过做好这些工作并利用反馈随时间改进上下文来赚取其费用。

这对创始人意味着什么：确定客户是为访问付费、为准备工作付费，还是两者都付费。将你的价格与你所消除的工程、验证和维护工作量在同等质量水平下进行比较。

3. 证明价值，然后定价以获取价值。

更好的执行和可信的上下文创造了溢价的潜力。在我们 2026 年 8 月对 100 位企业 LLM 决策者的调查中，94% 预计 LLM 总支出将增加，37% 预计明年至少翻倍。

随着支出增长，客户需要看到它带来了什么：完成了多少工作、质量如何，以及相对于替代方案的总成本是多少。这种证明为决定应用可以收取多少费用提供了依据。

从一个客户能识别的单位开始：一份已审阅的合同、一次已解决的客服对话、一项已完成的研究任务，或一条已丰富的记录。衡量其完整交付成本，包括检索、模型调用、工具、重试、评估和人工审核。在计算每个成功完成单位的成本时，将失败的尝试也计入其中。

然后展示这项工作的价值。将应用的定价、实施、持续监督和剩余人工工作，与其所替代流程的成本和质量进行比较。如果内部构建是可信的替代方案，也要将其开发和维护成本纳入考量。

Decagon 的 Notion 案例研究将这一比较与购买决策联系起来。Notion 曾考虑内部构建，随后选择了外部解决方案，以便其团队能够专注于核心平台。在评估了质量、集成、安全和合作关系后，它选择了 Decagon。已发布的案例报告称，工单解决时间最多提升了 34%。这为买家提供了选择该应用的理由，也提供了衡量其所改进工作的指标。

一旦你能够证明已完成工作的价值，就选择一种定价模式，让你能够捕获其中一部分价值。你可以根据节省的时间、交付的质量以及客户的替代方案来设定价格，同时确保交付有利可图。

正如 Sarah Wang 和我在“你不是一个模型。不要按 Token 定价”一文中所论述的，应用应在其能够可靠衡量、归因和捍卫的最高价值层级上定价。可识别的工作——一份研究简报、合同审阅或客服互动——可以直接定价，或通过积分打包。积分是一种货币，而非价值指标；它们应映射到客户可以据此规划的任务或直观的工作量水平。

可预测性还必须在真实工作负载的经济性中存续。Clay 的定价备忘录描述了固定 AI 价格如何对简单工作负载收费过高，同时使复杂工作负载无利可图。Clay 的应对方式是将数据积分与用于编排的操作分开，对更有限的 AI 工作负载保留固定积分定价，并对更多变的推理模型按实际 token 成本转嫁且不加价。这为客户提供了一种为编排付费的方式，同时将波动的模型输入单独处理。

随着交付成本下降，这种分离也很重要。当价格与可识别的工作挂钩时，供应商可以利用路由、缓存或更好的模型来提高利润率、降低价格或包含更多工作。客户可以分享这些收益，而无需追踪底层模型组合的每一次变化。只有当完整报价相对于其替代方案仍具吸引力时，这种灵活性才有价值。

这对创始人意味着什么：衡量已完成工作的全部成本，展示其相对于客户替代方案的价值，并选择一个买家可以预测的定价单位。在典型和昂贵的工作流中建模利润率，然后决定如何分享效率收益，同时保持完整报价具有吸引力。

继续赢得溢价。

检验标准是：购买你的应用是否比客户最可信的替代方案在总成本、质量、速度和风险方面提供了更好的组合。这一比较既包括你的价格，也包括实施、运营和维护每个选项所需的工作量。

执行力、上下文、证据和定价这四点共同强化了购买的理由。可靠的工作与可信的上下文创造优势；清晰的证据让价值可见；定价则让客户分享效率提升的收益，同时奖励供应商改进交付。

模型的进步会持续改善客户的替代选择。你的优势必须更快地扩大，应用才能持续获得溢价。

立即订阅

本通讯仅供参考，不应作为法律、商业、投资或税务建议的依据。此外，本内容不构成投资建议，也不适用于任何 a16z 基金的投资者或潜在投资者。本通讯可能链接到其他网站或包含从第三方来源获得的其他信息——a16z 未独立核实此类信息，也不对其当前或持续的准确性作出任何陈述。如果本内容包含第三方广告，a16z 未审查此类广告，也不认可其中包含的任何广告内容或相关公司。所提及、引用或描述的任何投资或投资组合公司并不代表 a16z 管理的工具中的所有投资；请访问 https://a16z.com/investment-list/ 查看完整投资列表。其他重要信息可在 a16z.com/disclosures 找到。您收到本通讯是因为您此前已选择订阅；如果您希望退出未来的通讯，可以立即取消订阅。

Harvey 的 Repsol 案例研究。